申请/专利权人：福州大学

申请日：2018-07-13

公开（公告）日：2018-12-18

公开（公告）号：CN109031343A

主分类号：G01S17/89(2006.01)I

分类号：G01S17/89(2006.01)I

优先权：

专利状态码：有效-授权

法律状态：2022.04.15#授权;2019.01.11#实质审查的生效;2018.12.18#公开

摘要：本发明涉及一种新的SEVI调节因子自动优化算法，包括以下步骤：窗口选择、植被指数计算、相关系数计算、单窗口优化解、窗口遍历、全局全景最优解。本发明无需DEM数据辅助、遥感影像分类和人为指定计算样区，避免了人为选择样区的不稳定性，提升了SEVI计算的自动化水平，对遥感在复杂地形山区植被信息准确反演、消除地形本影和落影的干扰具有重要的科学意义与经济价值。

主权项：1.一种窗口遍历的SEVI调节因子自动优化算法，其特征在于，包括以下步骤：步骤S1：观察一景遥感影像上的山体分布，通过阴坡、阳坡判断山体坡长，选择最大坡长确定计算窗口参数K；步骤S2：以整景遥感影像的表观反射率数据计算阴影消除植被指数SEVI、比值植被指数RVI和阴影植被指数SVI；假设整景遥感影像的尺寸为M行N列；步骤S3：计算相关系数，具体如下：其中：R1为SEVI与RVI的相关系数，R2为SEVI与SVI的相关系数，x、y1、y2分别为遥感影像SEVI、RVI及SVI计算结果，n为SEVI、RVI及SVI的影像数据的像元数；步骤S4：令f△从0开始，间隔a，依次递增计算SEVI，同时考察SEVI与RVI的相关系数R1及SEVI与SVI的相关系数R2，当R1与R2满足以下条件时，退出内循环，得到单窗口优化解FL：R1‑R2≤ε,ε→0,f△＝0～∞；步骤S5：从遥感影像左上角第一个像元1，1开始计算第一个窗口1:K，1:K的f△优化值；然后先行后列依次递增计算其它窗口的f△优化值；最终得到一个行列为M‑K，N‑K的f△优化值矩阵；步骤S6：计算f△优化值由高往低前m％数量的分界值F，从而得到全景影像的f△全局最优解FG。

全文数据：一种窗口遍历的SEVI调节因子自动优化算法技术领域[0001]本发明涉及一种窗口遍历的SEVI调节因子自动优化算法。背景技术[0002]现有地形阴影消除植被指数TAVI中地形调节因子f△优化方法主要有3种：“匹配寻优法（国家专利号200910111688乂”、“极值优化法（国家专利号201010180895.3”和“相关系数法（国家专利号2015108077580”。[0003]“匹配寻优”算法计算步骤为：（1影像分类，划分遥感影像中山体的阴坡和阳坡，并选取典型样区；（2目标识别，借助地面调查资料、实地考察数据、航拍资料或者GoogleEarth的高分辨率影像数据等核实阴坡与阳坡植被的均质性，识别典型样区阴坡与阳坡植被一致或接近的部分；（3优化匹配，令fA从0开始，依次递增，考察TAVI在典型样区阴坡与阳坡植被一致部分的植被指数值变化，当二者相等时，即可确定fA的最优结果。[0004]“极值优化”算法计算步骤为：（1影像分类，划分遥感影像中山体的阴坡和阳坡；⑵计算极值，计算阴坡部分TAVI的最大值Mtav期与阳坡部分TAVI的最大值Mtavw;3迭代寻优，令f△从0开始，依次递增，当满足以下公式条件时，得到f△最优值。[0005]|ΜτΑν__ΜτΑνιΡΗ|^Ξε，ε—〇，ί·Δ=〇〜〇〇[0006]“相关系数”算法计算步骤为：（1选择样区，在复杂地形山区选择地形影响明显、山体阳坡和阴坡对称分布的典型样区；（2计算样区植被指数TAVI、RVI和SVI;3计算相关系数，包括TAVI与CVI的相关系数R1,TAVI与SVI的相关系数R2;⑷逼近优化，令f△从0开始，依次递增，当办与此满足以下公式条件时，确定f△优化计算结果。[0007]R1-R2SejyOJZX=O-Cx3[0008]上述3种优化算法，TAVI无需DEM等数据的支持，都能有效削减地形阴影对山区植被信息的影响。但前2种优化算法都需要对遥感影像分类，其中“寻优匹配”算法还需要地面数据等的支持；第3种方法，虽然无需影像分类，但需要人工选择样区，存在较大的不稳定性;此外，这三种方法都容易陷入局部最优解而非全局最优解，这都限制了地形阴影消除植被指数应用的自动化水平，不利于推广应用。发明内容[0009]有鉴于此，本发明的目的在于提供一种窗口遍历的SEVI调节因子自动优化算法。该算法无需DEM数据和遥感影像分类，同时不依赖于地面调查数据也不用选择样区，对全景影像计算SEVI及其应用推广具有重要的科学意义与经济价值。[0010]为实现上述目的，本发明采用如下技术方案:一种窗口遍历的SEVI调节因子自动优化算法，其特征在于包括以下步骤：[0011]步骤SI:观察一景遥感影像上的山体分布，通过阴坡、阳坡判断山体坡长，选择最大坡长确定计算窗口参数K;假设整景遥感影像的尺寸为M行N列；[0012]步骤S2:以整景遥感影像的表观反射率数据计算阴影消除植被指数SEVI、比值植被指数RVI和阴影植被指数SVI;[0013]步骤S3:计算相关系数，具体如下：[0014][0015][0016]其中：RAsevi与RVI的相关系数，RAsevi与SVI的相关系数，1、71、72分别为遥感影像SEVI、RVI及SVI计算结果，η为SEVI、RVI及SVI的影像数据的像元数；[0017]步骤S4:令fA从0开始，间隔a，依次递增计算SEVI，同时考察SEVI与RVI的相关系数RlSSEVI与SVI的相关系数R2AR1与办满足以下条件时，退出内循环，得到单窗口优化解Fl:[0018]1^-1?2彡£，84〇，汽八）=〇〜^;[0019]步骤S5:从遥感影像左上角第一个像元（1，1开始计算第一个窗口（1:K，1:K的f△优化值;然后先行后列依次递增计算其它窗口的fA优化值;最终得到一个行列为M-K，N-K的f△优化值矩阵；[0020]步骤S6:计算f△优化值由高往低前m%数量的分界值F，从而得到全景影像的f△全局最优解Fg。[0021]在本发明一实施例中，窗口参数K为50、100、150或200。[0022]在本发明一实施例中，a为0.001。[0023]在本发明一实施例中，m为3。[0024]在本发明一实施例中，阴影消除植被指数SEVI、比值植被指数RVI和阴影植被指数SVI的计算公式为：[0025][0026][0027][0028]其中：fA为调节因子;Br为遥感影像红光波段数据，Bnir为遥感影像近红外波段数据。[0029]本发明与现有技术相比具有以下有益效果：[0030]1、可用于整景影像计算:本发明的自动优化算法可以计算整景影像的f△最优解，而非样区的局部优化解，对于SEVI的实际应用和工程化推广具有重要的科学价值与经济效益。[0031]2、地形校正效果明显:本发明确定的fA全局全景最优解，保证SEVI能有效消除地形本影和落影对山区植被信息的干扰。[0032]3、数据需求少，成本低:本发明只需要遥感影像自身携带的波段数据，无需地面调查数据或实地考察数据等的支持，数据成本与时间成本实现最小化。[0033]4、流程简单，可操作性强：本发明主要由“窗口选择、植被指数计算、相关系数计算、逼近计算、窗口遍历、全局优化值确定”等步骤就可确定fA全局全景最优解，流程简单，操作容易，无需遥感影像分类、样区选择等环节，大大提升了SEVI应用自动化水平。附图说明[0034]图1是本发明技术流程示意图。具体实施方式[0035]下面结合附图及实施例对本发明做进一步说明。[0036]请参照图1，本发明提供一种窗口遍历的SEVI调节因子自动优化算法，其包括以下步骤：[0037]步骤SI:窗口选择:观察一景遥感影像上的山体分布，通过阴坡、阳坡判断山体坡长，选择最大坡长确定计算窗口参数K。结合实用性与计算效率，参照Landsat影像30米空间分辨率，窗口参数K可以选择50、100、150、200等来表征影像上窗口大小。[0038]步骤S2:植被指数计算：以整景遥感影像M行N列）表观反射率数据计算阴影消除植被指数、比值植被指数和阴影植被指数；[0039]其中：SEVI为阴影消除植被指数;RVI为比值植被指数;SVI为阴影植被指数;f△为调节因子;Br为遥感影像红光波段数据，Bnir为遥感影像近红外波段数据。[0040]步骤S3:相关系数计算，具体如下：[0041][0042][0043]其中：R1Ssevi与cvi的相关系数，R2Ssevi与svi的相关系数，x、yi、y2分别为遥感影像SEVI、CVI及SVI计算结果，η为SEVI、CVI及SVI的影像数据的像元数。[0044]步骤S4:逼近优化，令f△从0开始，以aa可以为0.001为间隔，依次递增进行植被指数的计算，同时考察SEVI与CVI的相关系数RlSSEVI与SVI的相关系数R2,当办与此满足以下条件时，退出内循环，得到单窗口优化解Fl:[0045][0046]步骤S5:窗口遍历，从遥感影像左上角第一个像元1，1开始计算第一个窗口（1:K，I:K的f△优化值;然后先行后列依次递增计算其它窗口的f△优化值。最终得到一个行列为M-K，N-K的f△优化值矩阵。[0047]步骤S6:全局最优值确定，计算f△优化值由高往低前m%m可以取3数量的分界值F，从而得到全景影像的f△全局最优值Fu[0048]主要流程示意图参见图1。[0049]进一步的，所述植被指数为阴影消除植被指数SEVI、比值植被指数RVI和阴影植被指数SVI，相应计算公式如下：[0050][0051][0052][0053]其中:Br为遥感影像红光波段数据，Bnir为遥感影像近红外波段数据。[0054]通过对该方法在Landsat8OLI全景影像的验证，表明本发明计算的SEVI在地形本影和落影的误差都低于5%，明显优于C地形校正和6S+C大气和地形复合校正的效果如表1所示。[0055]表1[0056][0057]注:TOA为表观反射率数据;C为C地形校正数据;6S+C为6S大气校正和C地形校正数据。以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

权利要求：1.一种窗口遍历的SEVI调节因子自动优化算法，其特征在于，包括以下步骤：步骤SI:观察一景遥感影像上的山体分布，通过阴坡、阳坡判断山体坡长，选择最大坡长确定计算窗口参数K;步骤S2:以整景遥感影像的表观反射率数据计算阴影消除植被指数SEVI、比值植被指数RVI和阴影植被指数SVI;假设整景遥感影像的尺寸为M行N列；步骤S3:计算相关系数，具体如下：其中：RAsevi与RVi的相关系数，rAsevi与svi的相关系数，1、71、72分别为遥感影像SEVI、RVI及SVI计算结果，η为SEVI、RVI及SVI的影像数据的像元数；步骤S4:令f△从O开始，间隔a，依次递增计算SEVI，同时考察SEVI与RVI的相关系数R1及SEVI与SVI的相关系数R2,当办与此满足以下条件时，退出内循环，得到单窗口优化解Fl:步骤S5:从遥感影像左上角第一个像元（1，1开始计算第一个窗口（I:K，I:K的f△优化值;然后先行后列依次递增计算其它窗口的f△优化值;最终得到一个行列为M-K，N-K的f△优化值矩阵；步骤S6:计算f△优化值由高往低前m%数量的分界值F，从而得到全景影像的f△全局最优解Fc。2.根据权利要求1所述的窗口遍历的SEVI调节因子自动优化算法，其特征在于:窗口参数K为50、100、150或200。3.根据权利要求1所述的窗口遍历的SEVI调节因子自动优化算法，其特征在于：a为0.001ο4.根据权利要求1所述的窗口遍历的SEVI调节因子自动优化算法，其特征在于:m为3。5.根据权利要求1所述的窗口遍历的SEVI调节因子自动优化算法，其特征在于：阴影消除植被指数SEVI、比值植被指数RVI和阴影植被指数SVI的计算公式为：其中：f△为调节因子;Br为遥感影像红光波段数据，Bnir为遥感影像近红外波段数据。

百度查询： 福州大学 一种窗口遍历的SEVI调节因子自动优化算法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD